論文の概要: Out-of-Distribution Detection with Semantic Mismatch under Masking
- arxiv url: http://arxiv.org/abs/2208.00446v1
- Date: Sun, 31 Jul 2022 14:58:22 GMT
- ステータス: 処理完了
- システム内更新日: 2022-08-02 12:53:17.717033
- Title: Out-of-Distribution Detection with Semantic Mismatch under Masking
- Title（参考訳）: マスキングにおける意味的ミスマッチを用いた分布外検出
- Authors: Yijun Yang, Ruiyuan Gao, Qiang Xu
- Abstract要約: MoodCatは、画像のための新しいアウト・オブ・ディストリビューション(OOD)検出フレームワークである。
提案したマスクと条件付き合成戦略を用いて,分布内データのセマンティック情報を学習する。
実験の結果,MoodCatは最先端のOOD検出ソリューションよりも大きなマージンで優れていることがわかった。
- 参考スコア（独自算出の注目度）: 4.470794488455271
- License: http://creativecommons.org/licenses/by-nc-nd/4.0/
- Abstract: This paper proposes a novel out-of-distribution (OOD) detection framework
named MoodCat for image classifiers. MoodCat masks a random portion of the
input image and uses a generative model to synthesize the masked image to a new
image conditioned on the classification result. It then calculates the semantic
difference between the original image and the synthesized one for OOD
detection. Compared to existing solutions, MoodCat naturally learns the
semantic information of the in-distribution data with the proposed mask and
conditional synthesis strategy, which is critical to identifying OODs.
Experimental results demonstrate that MoodCat outperforms state-of-the-art OOD
detection solutions by a large margin.
- Abstract（参考訳）: 本稿では,画像分類器用MoodCatという,新しい配布外検出フレームワークを提案する。
moodcatは入力画像のランダムな部分をマスクし、生成モデルを用いて分類結果に基づいて新しい画像にマスク画像を合成する。
次に、OOD検出のための原画像と合成画像とのセマンティックな差を計算する。
既存のソリューションと比較して、MoodCatは、OODを識別するために重要なマスクと条件合成戦略を用いて、分散データのセマンティック情報を自然に学習する。
実験の結果,MoodCatは最先端のOOD検出ソリューションよりも大きなマージンで優れていることがわかった。
関連論文リスト
- Pluralistic Salient Object Detection [108.74650817891984]
本稿では,与えられた入力画像に対して,複数の有意な有意な有意な有意な有意な有意な分割結果を生成することを目的とした新しい課題であるPSOD(multiistic Salient Object Detection)を紹介する。
新たに設計された評価指標とともに,2つのSODデータセット "DUTS-MM" と "DUS-MQ" を提案する。
論文 参考訳（メタデータ） (2024-09-04T01:38:37Z) - Rethinking the Evaluation of Out-of-Distribution Detection: A Sorites Paradox [70.57120710151105]
既存のアウト・オブ・ディストリビューション(OOD)検出ベンチマークは、サンプルを新しいラベルでOODデータとして分類する。
いくつかの限界OODサンプルは、実際には分布内(ID)サンプルに密接なセマンティック内容を持ち、OODサンプルをソリテスパラドックス(英語版)と判定する。
この問題に対処するため,Incremental Shift OOD (IS-OOD) というベンチマークを構築した。
論文 参考訳（メタデータ） (2024-06-14T09:27:56Z) - Classifier-head Informed Feature Masking and Prototype-based Logit
Smoothing for Out-of-Distribution Detection [27.062465089674763]
ニューラルネットワークを現実世界にデプロイする際には、アウト・オブ・ディストリビューション(OOD)検出が不可欠である。
1つの大きな課題は、ニューラルネットワークがOODデータに対して過信的な予測をすることです。
本稿では,新しい特徴マスキング戦略と新しいロジット平滑化戦略に基づく,効果的なポストホックOOD検出手法を提案する。
論文 参考訳（メタデータ） (2023-10-27T12:42:17Z) - DiffGuard: Semantic Mismatch-Guided Out-of-Distribution Detection using
Pre-trained Diffusion Models [25.58447344260747]
我々はDiffGuardという名前のセマンティックミスマッチ誘導OOD検出に事前学習拡散モデルを用いている。
実験により、DiffGuardはCifar-10と大規模ImageNetのハードケースの両方で有効であることが示された。
既存のOOD検出技術と簡単に組み合わせて、最先端のOOD検出結果が得られる。
論文 参考訳（メタデータ） (2023-08-15T10:37:04Z) - Parents and Children: Distinguishing Multimodal DeepFakes from Natural Images [60.34381768479834]
近年の拡散モデルの発展により、自然言語のテキストプロンプトから現実的なディープフェイクの生成が可能になった。
我々は、最先端拡散モデルにより生成されたディープフェイク検出に関する体系的研究を開拓した。
論文 参考訳（メタデータ） (2023-04-02T10:25:09Z) - Masked Images Are Counterfactual Samples for Robust Fine-tuning [77.82348472169335]
微調整の深層学習モデルは、分布内(ID)性能と分布外(OOD)堅牢性の間のトレードオフにつながる可能性がある。
そこで本研究では,マスク付き画像を対物サンプルとして用いて,ファインチューニングモデルのロバスト性を向上させる新しいファインチューニング手法を提案する。
論文 参考訳（メタデータ） (2023-03-06T11:51:28Z) - Mask Reference Image Quality Assessment [8.087355843192109]
Mask Reference IQA (MR-IQA) は、歪んだ画像の特定のパッチを隠蔽し、参照画像パッチで欠落したパッチを補う方法である。
提案手法は,ベンチマークKADID-10k, LIVE, CSIQデータセット上での最先端性能を実現する。
論文 参考訳（メタデータ） (2023-02-27T13:52:38Z) - A Baseline for Detecting Out-of-Distribution Examples in Image
Captioning [12.953517767147998]
画像キャプションにおけるOOD検出の問題点について考察する。
OOD画像の検出と拒否におけるキャプションの確率スコアの有効性を示す。
論文 参考訳（メタデータ） (2022-07-12T09:29:57Z) - Semantic Image Synthesis via Diffusion Models [159.4285444680301]
Denoising Diffusion Probabilistic Models (DDPM) は様々な画像生成タスクにおいて顕著な成功を収めた。
セマンティック画像合成に関する最近の研究は、主に「GAN(Generative Adversarial Nets)」に追従している。
論文 参考訳（メタデータ） (2022-06-30T18:31:51Z) - Causal Intervention for Weakly-Supervised Semantic Segmentation [122.1846968696862]
画像レベルのラベルのみを用いて、より優れたピクセルレベルの擬似マスクを生成することを目指している。
画像,コンテキスト,およびクラスラベル間の因果関係を分析するための構造因果モデルを提案する。
そこで本研究では,画像レベルの分類において,矛盾するバイアスを取り除くためのコンテキスト調整(CONTA)手法を提案する。
論文 参考訳（メタデータ） (2020-09-26T09:26:29Z)
関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。
指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。